y作m次多元式拟合的MATLAB代码机器学习（MATLAB）-Logistic回归 斯坦福大学在Coursera上的机器学习课程。 环境 macOS Catalina（版本10.15.3） MATLAB 2018 b 数据集 ex2data1.txt（一项功能） ex2data2.txt（两个功能） 此仓库中包含的文件 ex2.m-引导您完成练习的Octave / MATLAB脚本 ex2 reg.m-练习的后面部分的Octave / MATLAB脚本 ex2data1.txt-练习的上半部分的训练集 ex2data2.txt-练习的第二部分 Submit.m-将您的解决方案发送到我们的服务器的提交脚本 mapFeature.m-生成多项式特征的函数 plotDecisionBoundary.m-绘制分类器决策边界的函数 [⋆] plotData.m-绘制2D分类数据的函数 [⋆] sigmoid.m-Sigmoid函数 [⋆] costFunction.m-Logistic回归成本函数 [⋆] predict.m-Logistic回归预测函数 [⋆] costFunctionReg.

使用matlab实现贝叶斯向量自回归模型，可用于经济学中的预测

贝叶斯回归 贝叶斯回归的matlab实现

Model selection and estimation in regression with grouped variables

y作m次多元式拟合的MATLAB代码机器学习（MATLAB）-正则化线性回归和偏差/方差 斯坦福大学的机器学习课程。 环境 macOS Catalina（版本10.15.3） MATLAB 2018 b 数据集 ex5data1.mat 此仓库中包含的文件 ex5.m-分步练习的Octave / MATLAB脚本 ex5data1.mat-数据集 Submit.m-将解决方案发送到我们的服务器的提交脚本 featureNormalize.m-功能归一化功能 fmincg.m-函数最小化例程（类似于fminunc） plotFit.m-绘制多项式拟合 sigmoid.m-Sigmoid函数 trainLinearReg.m-使用成本函数训练线性回归 [⋆] linearRegCostFunction.m-正则化线性回归成本函数 [⋆] learningCurve.m-生成学习曲线 [⋆] polyFeatures.m-将数据映射到多项式特征空间 [⋆] validationCurve.m-生成交叉验证曲线 第1部分：正则线性回归 我们将执行正规化线性回归，以利用水库中水位的变化预测从大坝

机器学习回归项目 使用的著名UCI数据集来预测葡萄酒质量。

线性回归 一个简单的线性回归机器学习程序，用Python 3.4编写 依存关系 numpy： ://www.numpy.org/ Docopt： ： 如果按照“安装”下的说明进行操作，则不必手动安装。 安装 获取此存储库中的文件。 例如：git clone 在命令提示符下，导航到此存储库在计算机上的保存位置。 您应该看到文件setup.py。 安装 跑步 > python setup.py install # do not use 'pip install .', this is just a script 您现在应该可以直接运行“ regress.py” 训练集和测试集 regress.py将使用训练集来学习一个权重矩阵，该矩阵将应用于测试集中每个条目的属性，以预测该条目的类别。 它将比较其预测与实际类别，并查看其预测是否正确。 处理完所有条目后，它将报告其总体准确性。

Gaussian Process Regression源码.zip

# Linear regression example Trains a single fully-connected layer to fit a 4th degree polynomial.

matlab代码影响美国大陆气候异常的回归 灵感 气候变化使极端降雨的可能性更大。 了解温度对降水影响的变化对于长期预报和气候建模至关重要，对于干旱和洪水的预报和准备至关重要。 该项目的目的是确定使用Niño3.4指数根据温度异常定义的厄尔尼诺现象的降雨回归，以及该因子是否在美国大陆以及不同季节有所变化。 它能做什么 我通过线性回归和相关分析，探索了Niño3.4（温度异常代理）与季节性降雨总量的遥相关。 在66年间（1948年至2014年）的八次模拟合奏中，已完成了一项调查，目的是调查温度在美国各地调节降雨中的作用。 我是如何建造的 该数据集是从每月降水量数据下载的，分为四个季节：Spring（3月至4月至5月），夏季（6月至7月至8月），秋季（9月至10月至11月）和冬季（12月至1月至2月）。 对于每个季节，都执行空间线性回归和相关性分析，并将其制作成回归/相关系数图，以方便比较。 最后，应用Student's t检验来确定相关性是否具有统计显着性，以便获得可靠的结果。 我遇到的挑战 除夏季外，没有其他在空间上一致的ENSO降水相关性。 在所有其他季节，降水与Niño3.4指数之